| Kursbeschreibung (description): |
Teilnehmende lernen, wie sie Modelle zur Bilderkennung entwickeln und trainieren, um defekte von nicht-defekten Produkten in der Fertigung automatisch zu unterscheiden. Sie trainieren tiefe neuronale Netze mit TensorFlow und Keras, bewerten die Leistung anhand von Testdaten und festigen das Wissen durch praxisorientierte Übungen zur Qualitätskontrolle.
|
|
| Zielgruppe (target group): |
|
|
| Voraussetzungen (requirements): |
|
|
| Ziele (objectives): |
Erlernen der Anwendung von Bilderkennung zur Qualitätskontrolle, Erstellung und Training von Modellen zur Klassifizierung von Produkten, Evaluierung der Modellleistung.
|
|
| Preis und Dauer (price and duration): |
Dauer (duration): 1 Tag
Schulungslänge (course length): 04:30 Stunden (inkl. Pausen)
Preis (price): 450,- Euro zzgl. MwSt.
Gerne führen wir dieses Training auch inhouse bei Ihnen vor Ort durch, bitte sprechen Sie uns an.
Eine Druckansicht dieses Workshops finden Sie hier.
|
|
| Termine (dates): |
Termine auf Anfrage.
Falls Sie einen Terminwunsch für diesen Workshop haben, werden wir dies gerne für Sie prüfen!
|
|
|
| Inhalte (agenda): |
- Motivation und Aufbereitung der Daten:
- Einführung in die Herausforderungen der Qualitätskontrolle in der Fertigung, Datenbeschaffung und -aufbereitung für das Training von Modellen
- Tiefe neuronale Netzwerke für Bilderkennung und alternative Möglichkeiten zur Nutzung von Modellen:
- Grundlagen der tiefen neuronalen Netzwerke, verschiedene Modelle zur Bilderkennung und ihre Anwendungen, Auswahl des geeigneten Modells
- Training eines neuronalen Netzwerkes mit TensorFlow und Keras:
- Einführung in TensorFlow und Keras, Erstellung und Training eines Modells zur Bilderkennung, Optimierung der Modellleistung
- Evaluation des Modells anhand von Testdaten:
- Methoden zur Evaluierung der Modellleistung, Analyse der Ergebnisse, Verbesserungsmöglichkeiten und Anpassungen des Modells
- Anwendung des Gelernten auf reale Szenarien, Diskussion von Best Practices und möglichen Herausforderungen in der Implementierung
|
|
|
